识别本身通常只成功了一半。另一半在整理：一句话被拆成三行、每页顶上的单位名重复出现二十次、段落之间夹着空行。手工删这些最费时间，也最容易删错。
先认清要处理的三种脏数据，它们的解法不一样。
第一种：句中被拆的断行
扫描件和长句截图最常见。识别按视觉行输出，一行到纸边就换，于是完整的一句话被切成两三段。
中文好办一些 —— 中文句内没有空格，且上一行末尾不是句号、逗号时，多半应该和下一行接起来。手工做就是找每个「断在半个词上」的位置，效率极低。
可执行的做法是用 TXT 文本处理 的正则替换：启用正则后把「行尾非句末标点 + 换行」替换成空，一次性把整篇的断行接回去。句末标点该保留的（句号、问号、叹号、引号收尾）不会被误接。
第二种：每页重复的页眉页脚
一份十几页的扫描件，页眉的单位名称、页脚的页码会被识别成十几行重复内容。
正确顺序是先删重，别先排序：用删除重复行功能，它保留每个内容首次出现的位置、不打乱原有顺序，所以正文不会被你搞乱。页眉一般出现在每页开头，删重后剩一行，手工删掉即可；页脚带页码的行内容各不相同、删重删不掉，用查找替换按数字模式处理。
第三种：多余空行
段落之间空两行、连续好几个空行，是逐行拼接留下的副产品。用删除空行一次搞定 —— 只含空格的行也算空行，会被一起删掉。
建议的固定顺序
接断行 → 删重复 → 删空行 → 通读抽查。
顺序不能反。先删空行再接断行，会让你失去判断段落边界的依据；先排序再删重，页眉会和正文混在一起，删重就没法安全使用。
排序只在纯列表型内容（名单、编号、条目）上做，段落型的正文一排序就废了。需要按中文拼音排的时候，TXT 文本处理 提供拼音排序且具备数字感知，abc2 会排在 abc10 前面，这点和浏览器的默认码位排序不同，处理编号名单时很关键。
顺手能做的两件清理
- 全角半角与空格：识别常把英文和数字混成全角。用查找替换逐项替换，比手工改快
- 首尾空格：删除行首尾空格，后续贴进 Excel 时不会错列
如果最终目标是 Excel 或 Word
别在文本阶段硬撑。 原图里有表格线的，直接用 表格识别转Excel 输出 .xlsx，行列由结构识别重建，比「识别成文字再手工分列」省一大半时间。想在 Word 里编辑、需要保留分页的，用 扫描件PDF转Word，它每页之间留分页符，翻页位置还能对得上。
最后提醒：清理脚本会批量改字符，改完必须通读一遍。金额、编号、人名这三处如果在这一步被误删或被接错行，比识别出错更难发现。